一句话定义：模型生命周期（Model Lifecycle）指一个机器学习模型从“要不要做”到“彻底下线”的全过程，包括问题定义、数据准备、训练、评测、部署、监控迭代和退役。它强调：模型不是一次训练出来的成品，而是一段有起点也有终点的过程。
打个生活化的比方：招一个员工。先要想清楚这个岗位要解决什么问题（问题定义），然后找简历、面试（数据收集与标注），录用后培训（训练），试用期考核（评测），转正上岗（部署），之后还有绩效跟踪、调岗、再培训（监控与迭代），最后离职交接（退役）。绝大多数人只盯着“培训”这一步，但员工能不能干活，取决于整套流程。模型也一样：一个准确率不错的模型，如果训练用的数据和线上真实数据分布对不上，上岗第一天就会出问题。
几个阶段里最容易被低估的是后两段。评测不只是算一个总分，还要看它在关键子群体、边界情况上是否稳定；部署也不只是把模型推上去，还包括灰度发布、回滚方案、推理延迟和成本的权衡。上线之后，数据会慢慢变（数据漂移，Data Drift），用户行为和业务规则也会变（概念漂移，Concept Drift），所以要有定期重训和效果监控。退役同样是设计的一部分：老模型什么时候停、历史预测结果留不留、下游系统怎么切，都要提前想。
和相邻概念的区别：
| 概念 | 关注点 | 与本词条的关系 |
|---|---|---|
| 模型训练 | 把数据变成参数 | 只是生命周期中的一个阶段 |
| 机器学习运维（MLOps） | 用什么工具和流程管理这件事 | 生命周期是“管什么”，MLOps 是“怎么管” |
| 模型版本管理 | 每次产出的模型如何标识和回溯 | 生命周期里的一项基础能力 |
简单说：生命周期是地图，MLOps 是修路和交通规则。
对从业者的意义：把上线当终点，通常会缺少监控和回滚预算；把评测口径、数据版本、重训触发条件写进方案，项目才可持续。对普通职场人：你用的 AI 产品背后模型会更新，同一个问题不同时间答案可能不同，别把一次体验或一次测评当成永久结论；采购或接入时，值得问清版本更新策略、数据留存和下线安排，具体条款以各家官方页面为准。